我一直在尝试使用来自 sklearn.datasets
中数据集的真实数据 PyMC3
来实现 Bayesian Linear Regression 模型(即不是来自线性函数高斯噪声) . 我选择了具有最小数量属性的回归数据集(即 load_diabetes()
),其形状为 (442, 10)
;也就是 442 samples
和 10 attributes
.
我相信我的模型正常工作,后面看起来还不错,可以预测并弄清楚这些东西是如何工作的......但我意识到我不知道如何用这些贝叶斯模型进行预测!我试图避免使用 glm
和 patsy
符号,因为我很难理解使用它时实际发生了什么 .
我试过以下:Generating predictions from inferred parameters in pymc3和http://pymc-devs.github.io/pymc3/posterior_predictive/但是我的模型要么预测得非常糟糕,要么我做错了 .
如果我实际上正确地做了预测(我可能不是),那么任何人都可以帮助我优化我的模型 . 我不知道是否至少 mean squared error
, absolute error
或类似的东西在贝叶斯框架中有效 . 理想情况下,我想得到一个number_of_rows数组=我的 X_te
属性/数据测试集中的行数,以及来自后验分布的样本列数 .
import pymc3 as pm
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()
from scipy import stats, optimize
from sklearn.datasets import load_diabetes
from sklearn.cross_validation import train_test_split
from theano import shared
np.random.seed(9)
%matplotlib inline
#Load the Data
diabetes_data = load_diabetes()
X, y_ = diabetes_data.data, diabetes_data.target
#Split Data
X_tr, X_te, y_tr, y_te = train_test_split(X,y_,test_size=0.25, random_state=0)
#Shapes
X.shape, y_.shape, X_tr.shape, X_te.shape
#((442, 10), (442,), (331, 10), (111, 10))
#Preprocess data for Modeling
shA_X = shared(X_tr)
#Generate Model
linear_model = pm.Model()
with linear_model:
# Priors for unknown model parameters
alpha = pm.Normal("alpha", mu=0,sd=10)
betas = pm.Normal("betas", mu=0,#X_tr.mean(),
sd=10,
shape=X.shape[1])
sigma = pm.HalfNormal("sigma", sd=1)
# Expected value of outcome
mu = alpha + np.array([betas[j]*shA_X[:,j] for j in range(X.shape[1])]).sum()
# Likelihood (sampling distribution of observations)
likelihood = pm.Normal("likelihood", mu=mu, sd=sigma, observed=y_tr)
# Obtain starting values via Maximum A Posteriori Estimate
map_estimate = pm.find_MAP(model=linear_model, fmin=optimize.fmin_powell)
# Instantiate Sampler
step = pm.NUTS(scaling=map_estimate)
# MCMC
trace = pm.sample(1000, step, start=map_estimate, progressbar=True, njobs=1)
#Traceplot
pm.traceplot(trace)
# Prediction
shA_X.set_value(X_te)
ppc = pm.sample_ppc(trace, model=linear_model, samples=1000)
#What's the shape of this?
list(ppc.items())[0][1].shape #(1000, 111) it looks like 1000 posterior samples for the 111 test samples (X_te) I gave it
#Looks like I need to transpose it to get `X_te` samples on rows and posterior distribution samples on cols
for idx in [0,1,2,3,4,5]:
predicted_yi = list(ppc.items())[0][1].T[idx].mean()
actual_yi = y_te[idx]
print(predicted_yi, actual_yi)
# 158.646772735 321.0
# 160.054730647 215.0
# 149.457889418 127.0
# 139.875149489 64.0
# 146.75090354 175.0
# 156.124314452 275.0
2 回答
我认为你的模型存在的问题之一就是你的数据有着非常不同的比例,你的“Xs”有~0.3范围,你的“Ys”有~300 . 因此,您应该期望您的先验者指定更大的斜率(和西格玛) . 一个合理的选择是调整您的先验,如下例所示 .
后验预测检查表明您有一个或多或少合理的模型 .
另一个选择是通过标准化将数据放在相同的比例中,这样做你会得到斜率应该在-1左右,一般来说你可以使用相同的漫反射先前的任何数据(除非你有信息先验您可以使用) . 事实上,许多人推荐这种做法用于广义线性模型 . 您可以在doing bayesian data analysis或Statistical Rethinking一书中阅读更多相关信息 .
如果要预测值,您有几个选项,一个是使用推断参数的平均值,如:
另一种选择是使用
pm.sample_ppc
来获取预测值的样本,并考虑您估计的不确定性 .进行PPC的主要思想是将预测值与您的数据进行比较,以检查它们在何处同意以及在何处不同意 . 该信息可用于例如改进模型 . 干
pm.sample_ppc(trace, model=linear_model, samples=100)
将给出100个样本,每个样本具有331个预测观察值(因为在您的示例中
y_tr
具有长度331) . 因此,您可以将每个预测数据点与从后部获取的大小为100的样本进行比较 . 您得到预测值的分布,因为后验本身就是可能参数的分布(分布反映了不确定性) . 关于sample_ppc
的参数:samples
指定从后验获得的点数,每个点都是参数矢量 .size
指定使用该参数向量对预测值进行采样的次数(默认为size=1
) .您有更多在此tutorial中使用
sample_ppc
的示例标准化(X - u)/σ,你的自变量也可以很好地工作,因为你的beta的方差对于所有变量都是一致的,但它们有不同的比例 .
另一点可能是,如果你使用
pm.math.dot
,考虑到f(x)=截距Xβε,计算矩阵向量积可能更有效 .